# Cargar librerías adicionales para visualización
library(quantmod)
## Warning: package 'quantmod' was built under R version 4.5.2
## Cargando paquete requerido: xts
## Warning: package 'xts' was built under R version 4.5.2
## Cargando paquete requerido: zoo
## Warning: package 'zoo' was built under R version 4.5.1
##
## Adjuntando el paquete: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
## Cargando paquete requerido: TTR
## Warning: package 'TTR' was built under R version 4.5.2
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
library(tidyverse)
## Warning: package 'ggplot2' was built under R version 4.5.1
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 4.0.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks xts::first()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks xts::last()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggplot2)
library(plotly)
## Warning: package 'plotly' was built under R version 4.5.2
##
## Adjuntando el paquete: 'plotly'
##
## The following object is masked from 'package:ggplot2':
##
## last_plot
##
## The following object is masked from 'package:stats':
##
## filter
##
## The following object is masked from 'package:graphics':
##
## layout
library(scales)
##
## Adjuntando el paquete: 'scales'
##
## The following object is masked from 'package:purrr':
##
## discard
##
## The following object is masked from 'package:readr':
##
## col_factor
library(gridExtra)
## Warning: package 'gridExtra' was built under R version 4.5.1
##
## Adjuntando el paquete: 'gridExtra'
##
## The following object is masked from 'package:dplyr':
##
## combine
library(knitr)
library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.5.1
##
## Adjuntando el paquete: 'kableExtra'
##
## The following object is masked from 'package:dplyr':
##
## group_rows
library(RColorBrewer)
library(zoo)
library(tseries)
## Warning: package 'tseries' was built under R version 4.5.2
library(forecast)
## Warning: package 'forecast' was built under R version 4.5.2
library(fpp2)
## Warning: package 'fpp2' was built under R version 4.5.2
## ── Attaching packages ────────────────────────────────────────────── fpp2 2.5 ──
## ✔ fma 2.5 ✔ expsmooth 2.3
## Warning: package 'fma' was built under R version 4.5.2
## Warning: package 'expsmooth' was built under R version 4.5.2
## ── Conflicts ───────────────────────────────────────────────── fpp2_conflicts ──
## ✖ scales::discard() masks purrr::discard()
# Definir paleta de colores profesional
color_palette <- c(
"#1E3A8A", # Azul oscuro principal
"#DC2626", # Rojo para eventos críticos
"#059669", # Verde para crecimiento
"#D97706", # Ámbar para metales
"#7C3AED", # Púrpura para comparaciones
"#0EA5E9" # Azul claro para fondos
)
# Cargar librerías necesarias
library(plotly)
library(dplyr)
library(RColorBrewer)
# Datos de composición del ETF
composition_data <- data.frame(
Metal = c("Oro Físico", "Plata Física", "Paladio Físico", "Platino Físico"),
Porcentaje = c(61.77, 30.72, 4.26, 3.26),
Valor_Mercado = c("1B", "702M", "97M", "74M")
)
# Añadir etiquetas detalladas
composition_data <- composition_data %>%
mutate(
Etiqueta = paste0(
"<b>", Metal, "</b><br>",
Porcentaje, "%<br>",
"(", Valor_Mercado, ")"
),
# Colores metálicos realistas
Color = c("goldenrod", "#C0C0C0", "#B8B8B8", "#E5E4E2"),
# Texto para hover
HoverText = paste0(
"<b>", Metal, "</b><br>",
"Composición: <b>", Porcentaje, "%</b><br>",
"Valor de mercado: <b>", Valor_Mercado, "</b><br>",
"Aproximado en cartera:<br>",
case_when(
Metal == "Oro Físico" ~ "60-65%",
Metal == "Plata Física" ~ "25-30%",
Metal == "Paladio Físico" ~ "3-5%",
Metal == "Platino Físico" ~ "3-5%"
)
)
)
# Crear donut chart interactivo
donut_interactive <- plot_ly(
composition_data,
labels = ~Metal,
values = ~Porcentaje,
type = 'pie',
hole = 0.5, # Esto crea el efecto donut
textposition = 'outside',
textinfo = 'label+percent',
hoverinfo = 'text',
text = ~HoverText,
marker = list(
colors = ~Color,
line = list(color = '#FFFFFF', width = 2)
),
# Añadir texto en el centro
domain = list(x = c(0, 1), y = c(0, 1))
) %>%
layout(
title = list(
text = "<b>Composición del ETF GLTR<br>Aberdeen Standard Physical<br>Precious Metals Basket Shares</b>",
font = list(
size = 20,
color = "#1E3A8A",
family = "Arial, sans-serif"
),
x = 0.5,
y = 0.95
),
showlegend = TRUE,
legend = list(
orientation = "v",
x = 1.05,
y = 0.5,
font = list(size = 12),
title = list(
text = "<b>Metales</b>",
font = list(size = 14)
)
),
# Añadir anotación en el centro del donut
annotations = list(
list(
text = "<b>Total AUM</b><br>~$1.9B",
x = 0.5,
y = 0.5,
font = list(
size = 16,
color = "#1E3A8A",
family = "Arial, sans-serif"
),
showarrow = FALSE
)
),
paper_bgcolor = "#F8F9FA",
plot_bgcolor = "#F8F9FA",
margin = list(t = 100, b = 80, l = 20, r = 150)
)
# Mostrar donut chart
donut_interactive
library(kableExtra)
# Crear tabla comparativa estilo profesional
ficha_tecnica <- data.frame(
Característica = c(
"Nombre del ETF",
"Símbolo/Ticker",
"Tipo de activo",
"Activos subyacentes",
"Composición actual",
"Activos bajo gestión (AUM)",
"Expense Ratio",
"Beta (vs. S&P 500)",
"Rango 52 semanas",
"Precio actual (aprox)",
"Rendimiento 2024",
"Rendimiento YTD 2025",
"Volumen promedio diario",
"Bolsa de cotización",
"Fecha de lanzamiento"
),
Valor = c(
"Aberdeen Standard Physical Precious Metals Basket Shares ETF",
"GLTR",
"ETF de metales preciosos físicos",
"Oro, plata, paladio, platino físicos",
"Oro: 62%, Plata: 31%, Paladio: 4%, Platino: 3%",
"$1,850 millones USD",
"0.60%",
"0.21",
"$109.20 - $171.85",
"$168.50",
"+20.3%",
"+38.5% (hasta octubre)",
"150,000 acciones",
"NYSE Arca",
"Octubre 2010"
),
Nota = c(
"Nombre completo del instrumento",
"Ticker de negociación principal",
"Clasificación del producto",
"Metales físicos almacenados en bóvedas",
"Distribución basada en valores de mercado actuales",
"Ha crecido 35% en los últimos 12 meses",
"Competitivo dentro del sector de ETFs de metales",
"Baja correlación con el mercado accionario",
"Mínimo histórico: $109.20 (Oct 2024)",
"Precio de cierre más reciente disponible",
"Impulsado por rally de metales preciosos",
"Fuerte desempeño por demanda de activos refugio",
"Alta liquidez para entrada/salida",
"Principal exchange para ETFs en EE.UU.",
"Más de 15 años en el mercado"
)
)
# Formatear la tabla profesional
ficha_tecnica %>%
kable(align = "lcl",
caption = "Tabla 1. FICHA TÉCNICA DEL ETF GLTR - METALES PRECIOSOS") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
font_size = 12) %>%
row_spec(0, background = "#1E3A8A", color = "white", bold = TRUE) %>%
column_spec(1, bold = TRUE, width = "25%") %>%
column_spec(2, width = "35%") %>%
column_spec(3, width = "40%",
color = "#666666") %>%
# Resaltar valores importantes
column_spec(2,
color = ifelse(
grepl("\\+[0-9]", ficha_tecnica$Valor), "#27AE60", # Verde para rendimientos positivos
ifelse(
grepl("^\\$", ficha_tecnica$Valor), "#3498DB", # Azul para valores monetarios
"black"
)
),
bold = ifelse(
grepl("\\+[0-9]|^\\$", ficha_tecnica$Valor),
TRUE,
FALSE
))
Tabla 1. FICHA TÉCNICA DEL ETF GLTR - METALES PRECIOSOS
|
Característica
|
Valor
|
Nota
|
|
Nombre del ETF
|
Aberdeen Standard Physical Precious Metals Basket Shares ETF
|
Nombre completo del instrumento
|
|
Símbolo/Ticker
|
GLTR
|
Ticker de negociación principal
|
|
Tipo de activo
|
ETF de metales preciosos físicos
|
Clasificación del producto
|
|
Activos subyacentes
|
Oro, plata, paladio, platino físicos
|
Metales físicos almacenados en bóvedas
|
|
Composición actual
|
Oro: 62%, Plata: 31%, Paladio: 4%, Platino: 3%
|
Distribución basada en valores de mercado actuales
|
|
Activos bajo gestión (AUM)
|
$1,850 millones USD
|
Ha crecido 35% en los últimos 12 meses
|
|
Expense Ratio
|
0.60%
|
Competitivo dentro del sector de ETFs de metales
|
|
Beta (vs. S&P 500)
|
0.21
|
Baja correlación con el mercado accionario
|
|
Rango 52 semanas
|
$109.20 - $171.85
|
Mínimo histórico: $109.20 (Oct 2024)
|
|
Precio actual (aprox)
|
$168.50
|
Precio de cierre más reciente disponible
|
|
Rendimiento 2024
|
+20.3%
|
Impulsado por rally de metales preciosos
|
|
Rendimiento YTD 2025
|
+38.5% (hasta octubre)
|
Fuerte desempeño por demanda de activos refugio
|
|
Volumen promedio diario
|
150,000 acciones
|
Alta liquidez para entrada/salida
|
|
Bolsa de cotización
|
NYSE Arca
|
Principal exchange para ETFs en EE.UU.
|
|
Fecha de lanzamiento
|
Octubre 2010
|
Más de 15 años en el mercado
|
library(plotly)
library(quantmod)
library(dplyr)
library(zoo)
# Descargar datos
GLTR <- getSymbols("GLTR", src = "yahoo", auto.assign = FALSE, from = "2010-01-01")
# Preparar datos
GLTR_df <- data.frame(
Fecha = index(GLTR),
Precio = as.numeric(Cl(GLTR))
)
# Gráfico interactivo
plot_ly(GLTR_df, x = ~Fecha, y = ~Precio, type = "scatter", mode = "lines",
line = list(color = "#1E3A8A", width = 2),
hoverinfo = "text",
text = ~paste("Fecha:", Fecha, "<br>Precio: $", round(Precio, 2))) %>%
layout(
title = "<b>ETF GLTR - Serie Histórica (2010-2025)</b>",
xaxis = list(title = "Fecha", rangeslider = list(visible = TRUE)),
yaxis = list(title = "Precio (USD)", tickformat = "$,.2f"),
hovermode = "x unified"
)
# Plata 2010–2012 (proxy: SLV)
silver_10_12 <- getSymbols("SLV", src = "yahoo", auto.assign = FALSE,
from = "2010-01-01", to = "2012-12-31")
silver_10_12_close <- Cl(silver_10_12)
silver_10_12_df <- data.frame(
fecha = index(silver_10_12_close),
precio = as.numeric(silver_10_12_close)
)
g_plata_10_12 <- ggplot(silver_10_12_df, aes(x = fecha, y = precio)) +
geom_line(color = "gray40", linewidth = 0.8) +
labs(title = "Precio de la plata 2010–2012 (proxy: SLV)",
subtitle = "Rally post-crisis y máximos asociados a QE e inflación esperada",
x = "Fecha", y = "Precio de cierre (USD)") +
theme_minimal()
g_plata_10_12_int <- ggplotly(g_plata_10_12)
g_plata_10_12_int
library(plotly)
library(quantmod)
library(dplyr)
# Descargar datos si no los tienes
GLTR <- getSymbols("GLTR", src = "yahoo", auto.assign = FALSE, from = "2020-01-01", to = "2020-12-31")
# Preparar datos para 2020
datos_2020 <- data.frame(
Fecha = index(GLTR),
Precio = as.numeric(Cl(GLTR))
)
# Crear gráfico interactivo
plot_ly(datos_2020, x = ~Fecha) %>%
add_trace(y = ~Precio, type = 'scatter', mode = 'lines',
line = list(color = '#1E3A8A', width = 3),
name = 'Precio GLTR',
hoverinfo = 'text',
text = ~paste('<b>Fecha:</b>', Fecha, '<br><b>Precio:</b> $', round(Precio, 2))) %>%
# Eventos clave
add_trace(x = as.Date('2020-03-16'), y = ~Precio[Fecha == as.Date('2020-03-16')],
type = 'scatter', mode = 'markers',
marker = list(color = '#DC2626', size = 12, symbol = 'circle'),
name = 'Colapso mercados',
hoverinfo = 'text',
text = '<b>16 Mar 2020:</b> Colapso de mercados globales<br>Fed anuncia estímulos de emergencia') %>%
add_trace(x = as.Date('2020-08-07'), y = ~Precio[Fecha == as.Date('2020-08-07')],
type = 'scatter', mode = 'markers',
marker = list(color = '#059669', size = 12, symbol = 'diamond'),
name = 'Récord oro',
hoverinfo = 'text',
text = '<b>07 Ago 2020:</b> Oro supera $2,000/oz<br>Rally histórico de metales preciosos') %>%
layout(
title = list(
text = '<b>Comportamiento del ETF GLTR durante la Pandemia COVID-19 (2020)</b>',
font = list(size = 18, color = '#1E3A8A', family = 'Arial'),
y = 0.98, # Posición vertical del título
x = 0.5, # Posición horizontal centrada
xanchor = 'center',
yanchor = 'top'
),
xaxis = list(
title = '<b>Fecha</b>',
type = 'date',
tickformat = '%b %Y',
rangeslider = list(visible = TRUE)
),
yaxis = list(
title = '<b>Precio (USD)</b>',
tickformat = '$.2f',
gridcolor = 'lightgray'
),
hovermode = 'x unified',
plot_bgcolor = 'white',
paper_bgcolor = '#F8F9FA',
margin = list(t = 120, b = 80, l = 80, r = 40), # Aumentado margen superior
showlegend = TRUE,
legend = list(
orientation = 'h',
x = 0.5,
xanchor = 'center',
y = -0.2,
yanchor = 'top'
)
)
library(quantmod)
library(ggplot2)
library(plotly)
# Oro 2022 (proxy: GLD)
gold_2022 <- getSymbols("GLD", src = "yahoo", auto.assign = FALSE,
from = "2022-01-01", to = "2022-12-31")
gold_2022_close <- Cl(gold_2022)
gold_2022_df <- data.frame(
fecha = index(gold_2022_close),
precio = as.numeric(gold_2022_close)
)
g_oro_2022 <- ggplot(gold_2022_df, aes(x = fecha, y = precio)) +
geom_line(color = "goldenrod", linewidth = 0.8) +
labs(title = "Precio del oro en 2022 (proxy: GLD)",
subtitle = "Volatilidad por guerra en Ucrania e incremento de tasas",
x = "Fecha", y = "Precio de cierre (USD)") +
theme_minimal()
g_oro_2022_int <- ggplotly(g_oro_2022)
g_oro_2022_int
library(plotly)
library(quantmod)
library(dplyr)
library(tidyr)
# Descargar datos para 2023 y 2024
GLTR_2023 <- getSymbols("GLTR", src = "yahoo", auto.assign = FALSE, from = "2023-01-01", to = "2023-12-31")
GLTR_2024 <- getSymbols("GLTR", src = "yahoo", auto.assign = FALSE, from = "2024-01-01", to = "2024-12-31")
# Preparar datos para 2023
datos_2023 <- data.frame(
Fecha = index(GLTR_2023),
Precio = as.numeric(Cl(GLTR_2023))
) %>%
mutate(
Dia = seq_along(Fecha),
Año = "2023",
Precio_Norm = Precio / first(Precio) * 100
)
# Preparar datos para 2024
datos_2024 <- data.frame(
Fecha = index(GLTR_2024),
Precio = as.numeric(Cl(GLTR_2024))
) %>%
mutate(
Dia = seq_along(Fecha),
Año = "2024",
Precio_Norm = Precio / first(Precio) * 100
)
# Combinar datos
datos_comparativos <- bind_rows(datos_2023, datos_2024)
# Crear gráfico comparativo interactivo
plot_ly(datos_comparativos, x = ~Dia) %>%
# Línea para 2023
add_trace(data = subset(datos_comparativos, Año == "2023"),
y = ~Precio_Norm,
type = 'scatter',
mode = 'lines',
line = list(color = '#DC2626', width = 3),
name = '2023',
hoverinfo = 'text',
text = ~paste('<b>2023 - Día', Dia, '</b><br>',
'Fecha:', Fecha, '<br>',
'Precio: $', round(Precio, 2), '<br>',
'Normalizado:', round(Precio_Norm, 1))) %>%
# Línea para 2024
add_trace(data = subset(datos_comparativos, Año == "2024"),
y = ~Precio_Norm,
type = 'scatter',
mode = 'lines',
line = list(color = '#059669', width = 3),
name = '2024',
hoverinfo = 'text',
text = ~paste('<b>2024 - Día', Dia, '</b><br>',
'Fecha:', Fecha, '<br>',
'Precio: $', round(Precio, 2), '<br>',
'Normalizado:', round(Precio_Norm, 1))) %>%
# Línea de referencia en 100
add_trace(x = c(0, max(datos_comparativos$Dia)),
y = c(100, 100),
type = 'scatter',
mode = 'lines',
line = list(color = 'gray', width = 1, dash = 'dash'),
name = 'Línea base (100)',
showlegend = FALSE) %>%
# Layout
layout(
title = list(
text = '<b>Comparativo de Desempeño: ETF GLTR 2023 vs 2024</b>',
font = list(size = 22, color = '#1E3A8A')
),
xaxis = list(
title = '<b>Días de negociación en el año</b>',
gridcolor = 'lightgray'
),
yaxis = list(
title = '<b>Precio Normalizado (Inicio = 100)</b>',
gridcolor = 'lightgray'
),
hovermode = 'x unified',
plot_bgcolor = 'white',
paper_bgcolor = '#F8F9FA',
legend = list(
orientation = 'h',
x = 0.5,
y = -0.15,
xanchor = 'center'
),
margin = list(t = 80, b = 100, l = 80, r = 40)
)
library(plotly)
library(quantmod)
library(dplyr)
library(lubridate)
# Descargar datos desde 2023
GLTR_all <- getSymbols("GLTR", src = "yahoo", auto.assign = FALSE, from = "2023-01-01")
# Función para preparar datos por año
preparar_datos_año <- function(año, datos) {
# Filtrar por año
datos_año <- datos[year(index(datos)) == año]
if (nrow(datos_año) == 0) return(NULL)
# Crear dataframe
df <- data.frame(
Fecha = index(datos_año),
Precio = as.numeric(Cl(datos_año))
)
# Calcular día del año y precio normalizado
df <- df %>%
mutate(
Dia_del_año = row_number(),
Año = as.character(año),
Precio_Norm = Precio / first(Precio) * 100,
Retorno = (Precio / first(Precio) - 1) * 100
)
return(df)
}
# Preparar datos para cada año
datos_2023 <- preparar_datos_año(2023, GLTR_all)
datos_2024 <- preparar_datos_año(2024, GLTR_all)
datos_2025 <- preparar_datos_año(2025, GLTR_all)
# Combinar todos los datos
datos_todos <- bind_rows(datos_2023, datos_2024, datos_2025)
# Crear gráfico interactivo
plot_ly(datos_todos, x = ~Dia_del_año) %>%
# Año 2023
add_trace(data = subset(datos_todos, Año == "2023"),
y = ~Precio_Norm,
type = 'scatter',
mode = 'lines+markers',
line = list(color = '#DC2626', width = 2.5),
marker = list(size = 6, color = '#DC2626'),
name = '2023',
hoverinfo = 'text',
text = ~paste('<b>2023 - Día', Dia_del_año, '</b><br>',
'Fecha:', format(Fecha, '%d/%m/%Y'), '<br>',
'Precio real: $', round(Precio, 2), '<br>',
'Normalizado:', round(Precio_Norm, 1), '<br>',
'Retorno:', round(Retorno, 1), '%')) %>%
# Año 2024
add_trace(data = subset(datos_todos, Año == "2024"),
y = ~Precio_Norm,
type = 'scatter',
mode = 'lines+markers',
line = list(color = '#059669', width = 2.5),
marker = list(size = 6, color = '#059669'),
name = '2024',
hoverinfo = 'text',
text = ~paste('<b>2024 - Día', Dia_del_año, '</b><br>',
'Fecha:', format(Fecha, '%d/%m/%Y'), '<br>',
'Precio real: $', round(Precio, 2), '<br>',
'Normalizado:', round(Precio_Norm, 1), '<br>',
'Retorno:', round(Retorno, 1), '%')) %>%
# Año 2025 (hasta la fecha disponible)
add_trace(data = subset(datos_todos, Año == "2025"),
y = ~Precio_Norm,
type = 'scatter',
mode = 'lines+markers',
line = list(color = '#1E3A8A', width = 2.5),
marker = list(size = 6, color = '#1E3A8A'),
name = '2025 (hasta fecha)',
hoverinfo = 'text',
text = ~paste('<b>2025 - Día', Dia_del_año, '</b><br>',
'Fecha:', format(Fecha, '%d/%m/%Y'), '<br>',
'Precio real: $', round(Precio, 2), '<br>',
'Normalizado:', round(Precio_Norm, 1), '<br>',
'Retorno:', round(Retorno, 1), '%')) %>%
# Línea de referencia en 100
add_trace(x = c(0, max(datos_todos$Dia_del_año, na.rm = TRUE)),
y = c(100, 100),
type = 'scatter',
mode = 'lines',
line = list(color = 'gray', width = 1, dash = 'dash'),
name = 'Línea base (100)',
showlegend = FALSE,
hoverinfo = 'skip') %>%
# Layout
layout(
title = list(
text = '<b>Comparativo de Desempeño Anual - ETF GLTR</b><br><span style="font-size:14px">Cada año normalizado a 100 en su primer día de negociación</span>',
font = list(size = 22, color = '#1E3A8A')
),
xaxis = list(
title = '<b>Día del año de negociación</b>',
gridcolor = 'lightgray'
),
yaxis = list(
title = '<b>Índice Normalizado (Inicio = 100)</b>',
gridcolor = 'lightgray'
),
hovermode = 'x unified',
plot_bgcolor = 'white',
paper_bgcolor = '#F8F9FA',
legend = list(
orientation = 'h',
x = 0.5,
y = -0.15,
xanchor = 'center',
bgcolor = 'rgba(255,255,255,0.8)'
),
margin = list(t = 100, b = 100, l = 80, r = 40),
# Anotaciones con rendimiento final de cada año
annotations = list(
list(
x = max(datos_2023$Dia_del_año, na.rm = TRUE),
y = tail(datos_2023$Precio_Norm, 1),
text = paste('2023:', round(tail(datos_2023$Retorno, 1), 1), '%'),
showarrow = FALSE,
font = list(size = 12, color = '#DC2626'),
xanchor = 'left',
xshift = 10
),
list(
x = max(datos_2024$Dia_del_año, na.rm = TRUE),
y = tail(datos_2024$Precio_Norm, 1),
text = paste('2024:', round(tail(datos_2024$Retorno, 1), 1), '%'),
showarrow = FALSE,
font = list(size = 12, color = '#059669'),
xanchor = 'left',
xshift = 10
),
list(
x = max(datos_2025$Dia_del_año, na.rm = TRUE),
y = tail(datos_2025$Precio_Norm, 1),
text = paste('2025:', round(tail(datos_2025$Retorno, 1), 1), '%'),
showarrow = FALSE,
font = list(size = 12, color = '#1E3A8A'),
xanchor = 'left',
xshift = 10
)
)
)
library(kableExtra)
# Crear tabla de síntesis histórica
sintesis_historica <- data.frame(
Período = c(
"2010–2012",
"2013–2015",
"2016–2019",
"2020",
"2021",
"2022",
"2023",
"2024–2025"
),
Comportamiento = c(
"Rally alcista",
"Corrección",
"Laterización volátil",
"Rally extremo",
"Corrección",
"Volatilidad extrema",
"Recuperación táctica",
"Rally estructural"
),
Factores_clave = c(
"Estímulos post-2008, temor inflación, búsqueda refugio",
"Tapering Fed, fortaleza dólar, normalización monetaria",
"Incertidumbre política (Brexit, Trump, guerra comercial), tasas moderadas",
"Pandemia COVID, pánico financiero, QE infinito, máximos oro",
"Recuperación económica, rotación a cíclicos, normalización de tasas",
"Invasión Ucrania (alcista) vs. endurecimiento Fed (bajista) → plano",
"Crisis bancaria puntual, demanda refugio momentánea, luego normalización",
"Deuda pública ↑, tasas reales esperadas ↓, incertidumbre geopolítica, máximos históricos"
)
)
# Crear tabla profesional
sintesis_historica %>%
kable(
align = "lll",
col.names = c("PERÍODO", "COMPORTAMIENTO", "FACTORES CLAVE"),
caption = "<center><h3 style='color: #1E3A8A;'>Tabla 2. SÍNTESIS HISTÓRICA - TRAYECTORIA DEL ETF GLTR (2010-2025)</h3></center>",
escape = FALSE
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "center",
font_size = 13,
fixed_thead = TRUE
) %>%
row_spec(
0,
background = "#1E3A8A",
color = "white",
bold = TRUE,
align = "center",
extra_css = "border-bottom: 2px solid #FFFFFF;"
) %>%
column_spec(
1,
bold = TRUE,
width = "15%",
background = "#F8FAFC",
extra_css = "border-right: 1px solid #E5E7EB;"
) %>%
column_spec(
2,
width = "20%",
background = "#FFFFFF",
extra_css = "border-right: 1px solid #E5E7EB;"
) %>%
column_spec(
3,
width = "65%",
background = "#FFFFFF"
) %>%
# Añadir notas al pie
footnote(
general = "Fuente: Análisis histórico basado en datos de Yahoo Finance, Bloomberg y Aberdeen Standard Investments",
general_title = "Nota:",
footnote_as_chunk = TRUE,
title_format = c("italic", "bold")
)
Tabla 2. SÍNTESIS HISTÓRICA - TRAYECTORIA DEL ETF GLTR (2010-2025)
|
PERÍODO
|
COMPORTAMIENTO
|
FACTORES CLAVE
|
|
2010–2012
|
Rally alcista
|
Estímulos post-2008, temor inflación, búsqueda refugio
|
|
2013–2015
|
Corrección
|
Tapering Fed, fortaleza dólar, normalización monetaria
|
|
2016–2019
|
Laterización volátil
|
Incertidumbre política (Brexit, Trump, guerra comercial), tasas
moderadas
|
|
2020
|
Rally extremo
|
Pandemia COVID, pánico financiero, QE infinito, máximos oro
|
|
2021
|
Corrección
|
Recuperación económica, rotación a cíclicos, normalización de tasas
|
|
2022
|
Volatilidad extrema
|
Invasión Ucrania (alcista) vs. endurecimiento Fed (bajista) → plano
|
|
2023
|
Recuperación táctica
|
Crisis bancaria puntual, demanda refugio momentánea, luego normalización
|
|
2024–2025
|
Rally estructural
|
Deuda pública ↑, tasas reales esperadas ↓, incertidumbre geopolítica,
máximos históricos
|
|
Nota:
Fuente: Análisis histórico basado en datos de Yahoo Finance,
Bloomberg y Aberdeen Standard Investments
|